Generazione di tessuto istopatologico mediante Generative Adversarial Network

Il cancro colorettale (CRC) è un tipo di cancro che inizia nell’intestino crasso (colon), che è la parte finale del tratto digestivo. Tipicamente colpisce gli anziani, anche se può verificarsi a qualsiasi età. Di solito inizia come piccoli gruppi di cellule non cancerose (benigne) chiamate polipi che si formano all’interno del colon. Col tempo alcuni di questi polipi possono diventare veri e propri cancri al colon. Ci sono vari parametri per determinare il potenziale maligno dei polipi che i patologi analizzano: il tipo di polipi, la loro grandezza e il loro grado di displasia. In questo ambito, uno screening adeguato può aiutare a trovare i polipi maligni in fase precoce, prevenendo la loro trasformazione in cancro. In questo lavoro studiamo UniToPatho, un dataset di immagini colorettali annotate ad alte risoluzioni, che comprende diversi tipi di campioni istologici di polipi colorettali, raccolti da screening cancerosi. I sistemi basati sul Deep Learning possono aiutare i dottori nel delicato task di riconoscere e diagnosticare i differenti tipi di polipi colorettali e il loro rischio associato. Infatti, le tecniche di Deep Learning sono capaci di ottenere una straordinaria accuratezza nel riconoscimento di pattern medici, tuttavia richiedono grandi dataset di immagini annotate. In tal senso, il principale scopo di questo lavoro è fare data augmentation sul dataset UniToPatho, in modo che con un dataset più grande ci si aspetta che gli algoritmi di Deep Learning siano più propensi ad ottenere un'accuratezza più alta. In particolare, questo lavoro ha affrontato il problema di fare data augmentation producendo nuovi campioni di tessuto istopatologico a partire dalle maschere di segmentazione semantiche, utilizzando un tipo particolare di Generative Adversarial Network (GAN): una Pix2pix GAN. L’idea è che se generiamo nuovi campioni a partire dalle maschere di segmentazione, possiamo produrre output altamente precisi, dettagliati e gestibili.

Colorectal cancer (CRC) is a type of cancer that begins in the large intestine (colon), the final part of the digestive tract. It typically affects older individuals, though it can occur at any age. It usually begins as small, noncancerous (benign) clumps of cells called polyps that form on the inside of the colon. Over time some of these polyps can become colon cancers. There are various parameters to determine the malignant potential of polyps that pathologists analyze: the type of polyps, their size and the degree of dysplasia. In this scope, a proper screening can help to find malignant polyps at an early stage, preventing their transformation into cancer. In this work we study UniToPatho, a dataset of annotated high-resolution colorectal images, comprising different histological samples of colorectal polyps, collected from patients undergoing cancer screening. Deep Learning based systems can help doctors in the delicate task of detecting and diagnosing the different types of colorectal polyps and their associated risk. In fact, Deep Learning techniques are able to get an extraordinary accuracy in medical pattern recognition, however they require large sets of annotated training images. So, the main goal of this work is to do data augmentation on UniToPatho, so that with a larger dataset it is expected that Deep Learning algorithms are more likely to get a higher accuracy. In particular, this work dealt with doing data augmentation by producing new samples of histopathological tissue starting from the semantic segmentation masks, using a particular kind of Generative Adversarial Network (GAN): a Pix2pix GAN. The idea is that if we generate new samples starting from the segmentation masks, we can produce highly precise, detailed and manageable outputs.